CN114692991A - 一种基于深度学习的枸杞产量预测方法及系统 - Google Patents

一种基于深度学习的枸杞产量预测方法及系统 Download PDF

Info

Publication number
CN114692991A
CN114692991A CN202210402428.3A CN202210402428A CN114692991A CN 114692991 A CN114692991 A CN 114692991A CN 202210402428 A CN202210402428 A CN 202210402428A CN 114692991 A CN114692991 A CN 114692991A
Authority
CN
China
Prior art keywords
remote sensing
image
chinese wolfberry
visible light
multiband
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210402428.3A
Other languages
English (en)
Inventor
何勇
杜晓月
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210402428.3A priority Critical patent/CN114692991A/zh
Publication of CN114692991A publication Critical patent/CN114692991A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining

Abstract

本发明涉及一种基于深度学习的枸杞产量预测方法及系统，包括：获取枸杞不同生长阶段的多波段光谱低空遥感图像与可见光低空遥感图像；构建Mask R‑CNN模型并输入多波段光谱低空遥感图像和可见光低空遥感图像，得到所有单个枸杞植株的冠幅宽度数据；基于每一生长阶段的多波段光谱遥感整体图像和可见光遥感整体图像建立地面数字高程模型，得到所有单个枸杞植株的株高数据；根据多波段光谱遥感整体图像得到光谱反射率数据；利用所有单个枸杞植株的冠幅宽度数据、株高数据和光谱反射率数据以及对应的植株产量训练极限学习机预测枸杞植株的产量。本发明建立的枸杞冠幅宽度、株高、多波段反射率与产量的预测模型提高产量预测的准确性。

Description

一种基于深度学习的枸杞产量预测方法及系统
技术领域
本发明涉及数据预测领域，特别是涉及一种基于深度学习的枸杞产量预测方法及系统。
背景技术
针对枸杞大面积的种植现状，采用无人机低空遥感技术可以进行枸杞信息的快速准确获取，且搭载多波段光谱相机和可见光相机可全面获取作物多维信息，实时监测枸杞生长状态。目前暂无针对无人机遥感图像利用深度学习进行枸杞产量预测的方案。
发明内容
本发明的目的是提供一种基于深度学习的枸杞产量预测方法及系统，使用MaskR-CNN模型提高枸杞植株检测精度，从而准确的获知枸杞冠幅宽度数据，同时结合株高数据、多波段光谱反射率数据提高产量预测的准确度，更好的满足枸杞精细化管理需求。
为实现上述目的，本发明提供了如下方案：
一种基于深度学习的枸杞产量预测方法，包括：
获取枸杞不同生长阶段的多波段光谱低空遥感图像与可见光低空遥感图像；
构建用于枸杞植株检测的Mask R-CNN模型；
根据所述多波段光谱低空遥感图像和所述可见光低空遥感图像结合所述Mask R-CNN模型，得到所有单个枸杞植株的冠幅宽度数据；
基于每一所述生长阶段的多波段光谱遥感整体图像和可见光遥感整体图像建立地面数字高程模型，并根据所述地面数字高程模型得到所有单个枸杞植株的株高数据；
根据每一所述生长阶段的所述多波段光谱遥感整体图像得到光谱反射率数据；
利用每一所述生长阶段的所有单个枸杞植株的所述冠幅宽度数据、所述株高数据和所述光谱反射率数据以及对应的所有单个枸杞植株的产量训练极限学习机，得到训练后的极限学习机；
利用所述训练后的极限学习机预测枸杞植株的产量。
一种基于深度学习的枸杞产量预测系统，包括：
图像获取模块，用于获取枸杞不同生长阶段的多波段光谱低空遥感图像与可见光低空遥感图像；
模型构建模块，用于构建用于枸杞植株检测的Mask R-CNN模型；
冠幅宽度计算模块，用于根据所述多波段光谱低空遥感图像和所述可见光低空遥感图像结合所述Mask R-CNN模型，得到所有单个枸杞植株的冠幅宽度数据；
株高计算模块，用于基于每一所述生长阶段的所述多波段光谱遥感整体图像和所述可见光遥感整体图像建立地面数字高程模型，并根据所述地面数字高程模型得到所有单个枸杞植株的株高数据；
光谱反射率数据计算模块，用于根据每一所述生长阶段的所述多波段光谱遥感整体图像得到光谱反射率数据；
预测模块，用于利用每一所述生长阶段的所有单个枸杞植株的所述冠幅宽度数据、所述株高数据和所述光谱反射率数据以及对应的所有单个枸杞植株的产量训练极限学习机，得到训练后的极限学习机；利用所述训练后的极限学习机预测枸杞植株的产量。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明涉及一种基于深度学习的枸杞产量预测方法及系统，包括：获取枸杞不同生长阶段的多波段光谱低空遥感图像与可见光低空遥感图像；构建用于枸杞植株检测的Mask R-CNN模型；根据所述多波段光谱低空遥感图像和所述可见光低空遥感图像结合所述Mask R-CNN模型，得到所有单个枸杞植株的冠幅宽度数据；基于每一所述生长阶段的所述多波段光谱遥感整体图像和所述可见光遥感整体图像建立地面数字高程模型，并根据所述地面数字高程模型得到所有单个枸杞植株的株高数据；根据每一所述生长阶段的所述多波段光谱遥感整体图像得到光谱反射率数据；利用每一所述生长阶段的所有单个枸杞植株的所述冠幅宽度数据、所述株高数据和所述光谱反射率数据以及对应的所有单个枸杞植株的产量训练极限学习机，得到训练后的极限学习机；利用所述训练后的极限学习机预测枸杞植株的产量。建立了枸杞冠幅宽度、株高、多波段反射率与产量的预测模型，可通过枸杞表型形态预测产量，比单一的基于反射光谱建立预测模型具有更准确的预测效果，能更好的指导农业实践。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种基于深度学习的枸杞产量预测方法流程图；
图2为本发明实施例2提供的一种基于深度学习的枸杞产量预测系统框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于深度学习的枸杞产量预测方法及系统，使用MaskR-CNN模型提高枸杞植株检测精度，从而准确的获知枸杞冠幅宽度数据，同时结合株高数据、多波段光谱反射率数据提高产量预测的准确度，更好的满足枸杞精细化管理需求。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本实施例提供一种基于深度学习的枸杞产量预测方法，包括：
S1：获取枸杞不同生长阶段的多波段光谱低空遥感图像与可见光低空遥感图像；
在枸杞的不同生长阶段，采用多旋翼无人机同时搭载600nm-1000nm范围内25个波段的光谱相机和可见光相机，获取枸杞作物的多波段光谱低空遥感图像与可见光低空遥感图像，飞行高度25m，飞行速度2.5m/s，航向重叠度75％，旁向重叠度60％。
S2：构建用于枸杞植株检测的Mask R-CNN模型；
其中，步骤S2具体包括：
(1)对所述多波段光谱低空遥感图像与可见光低空遥感图像进行预处理，得到枸杞的多波段光谱图像集和可见光图像集；
数据预处理：对获取的全部无人机多波段光谱低空遥感图像与可见光低空遥感图像进行图像预处理，去除因设备问题导致的损坏图像，将质量完好的无人机多波段光谱低空遥感图像与可见光低空遥感图像分别按照一定比例进行图像裁剪、旋转等数据扩增工作，构成完整的枸杞多波段光谱和可见光图像数据集。
(2)利用标注工具分别对所述多波段光谱图像集和所述可见光图像集中的图像进行枸杞植株标注，得到枸杞植株标注结果；
将所述枸杞植株标注结果和对应的图像输入到Mask R-CNN模型，得到训练好的Mask R-CNN模型，所述训练好的Mask R-CNN模型用于枸杞植株的检测识别。
将枸杞多波段光谱图像集和可见光图像集分别按照2：2：1的比例随机分为训练集、验证集和测试集，之后对训练集、验证集和测试集分别利用标注工具Labelme进行人工枸杞植株标注。
通过Mask R-CNN模型进行训练，根据正向传播和反向传播结果对网络参数进行更改调试，利用验证集的验证效果进行超参数的调整，直到获得较好的准确率以及召回率，完成基于Mask R-CNN的模型的构建。
S3：根据所述多波段光谱低空遥感图像和所述可见光低空遥感图像结合所述MaskR-CNN模型，得到所有单个枸杞植株的冠幅宽度数据；
具体的，步骤S3具体包括：
对每一所述生长阶段的所述多波段光谱低空遥感图像和所述可见光低空遥感图像分别进行图像拼接(具体步骤分为特征点提取，特征点匹配，图像拼接)，得到所有枸杞的多波段光谱遥感整体图像和所有枸杞的可见光遥感整体图像。
将每一所述生长阶段的所述多波段光谱遥感整体图像和所述可见光遥感整体图像分别输入到所述Mask R-CNN模型中，识别出所述多波段光谱遥感整体图像中的枸杞植株部分和所述可见光遥感整体图像中的枸杞植株部分；
根据每一所述生长阶段的所述多波段光谱遥感整体图像中的枸杞植株部分和所述可见光遥感整体图像中的枸杞植株部分得到所有单个枸杞植株的冠幅宽度数据。具体包括：
将所述多波段光谱遥感整体图像中的枸杞植株部分和所述可见光遥感整体图像中的枸杞植株部分的灰度值设为1，其余部分的灰度值设为0；
对每一枸杞植株，判断xy两个方向上的灰度值，得到两个方向上最长和最宽的长度，即为单个枸杞植株的冠幅宽度。
S4：基于每一所述生长阶段的多波段光谱遥感整体图像和可见光遥感整体图像建立地面数字高程模型，并根据所述地面数字高程模型得到所有单个枸杞植株的株高数据。利用局部信息提取所有单个枸杞植株的株高数据。
其中，建立地面数字高程模型具体包括：
对每一所述生长阶段的多波段光谱遥感整体图像和可见光遥感整体图像，利用GPS坐标采用分块内插方式建立地面数字高程模型。
S5：根据每一所述生长阶段的所述多波段光谱遥感整体图像得到光谱反射率数据。所述光谱反射率数据的计算公式为：
Figure BDA0003600566890000051
其中，DNn表示每一所述生长阶段的所述多波段光谱遥感整体图像的灰度值，n表示图像中的像素个数；DN0为图像中地面反射率校正板的平均灰度；f0为已知的地面反射率校正板的反射率，并且地面反射率校正板反射率均一；fn表示计算得出的所述多波段光谱遥感整体图像的反射率数据。
S6：利用每一所述生长阶段的所有单个枸杞植株的所述冠幅宽度数据、所述株高数据和所述光谱反射率数据以及对应的所有单个枸杞植株的产量训练极限学习机，得到训练后的极限学习机；
将上述得到的数据按照3:1的比例随机分为训练集和预测集，特征映射参数选择Sigmoid函数，通过调整权重获得最优的产量预测结果，完成基于图像的枸杞冠幅宽度、株高和基于多波段光谱反射率的多输入数据源融合的枸杞产量预测模型。
S7：利用所述训练后的极限学习机预测枸杞植株的产量。
本实施例中，使用多旋翼无人机可以快速无损的获得批量的枸杞图像，作业更高效，便于建立枸杞产量预测模型；Mask R-CNN图像分割算法首次运用在枸杞植株识别分割上，相比于传统的分割算法更加的快捷，降低识别时间；建立枸杞冠幅宽度、株高、多波段反射率与产量的预测模型，可通过枸杞表形态预测产量，比单一的基于反射光谱建立预测模型具有更好的效果，能更好的指导农业实践。
实施例2
如图2所示，本实施例提供一种基于深度学习的枸杞产量预测系统，包括：
图像获取模块M1，用于获取枸杞不同生长阶段的多波段光谱低空遥感图像与可见光低空遥感图像；
模型构建模块M2，用于构建用于枸杞植株检测的Mask R-CNN模型；
其中，所述模型构建模块M2具体包括：
对所述多波段光谱低空遥感图像与可见光低空遥感图像进行预处理，得到枸杞的多波段光谱图像集和可见光图像集；
利用标注工件分别对所述多波段光谱图像集和所述可见光图像集中的图像进行枸杞植株标注，得到枸杞植株标注结果；
将所述枸杞植株标注结果和对应的图像输入到Mask R-CNN模型，得到训练好的Mask R-CNN模型，所述训练好的Mask R-CNN模型用于枸杞植株的检测识别。
冠幅宽度计算模块M3，用于根据所述多波段光谱低空遥感图像和所述可见光低空遥感图像结合所述Mask R-CNN模型，得到所有单个枸杞植株的冠幅宽度数据；
其中，所述冠幅宽度计算模块M3具体包括：
图像拼接单元，用于对每一所述生长阶段的所述多波段光谱低空遥感图像和所述可见光低空遥感图像分别进行图像拼接，得到所有枸杞的多波段光谱遥感整体图像和所有枸杞的可见光遥感整体图像；
植株识别单元，用于将每一所述生长阶段的所述多波段光谱遥感整体图像和所述可见光遥感整体图像分别输入到所述Mask R-CNN模型中，识别出所述多波段光谱遥感整体图像中的枸杞植株部分和所述可见光遥感整体图像中的枸杞植株部分；
冠幅宽度计算单元，用于根据每一所述生长阶段的所述多波段光谱遥感整体图像中的枸杞植株部分和所述可见光遥感整体图像中的枸杞植株部分得到所有单个枸杞植株的冠幅宽度数据。
具体的，所述冠幅宽度计算单元具体包括：
将所述多波段光谱遥感整体图像中的枸杞植株部分和所述可见光遥感整体图像中的枸杞植株部分的灰度值设为1，其余部分的灰度值设为0；
对每一枸杞植株，判断xy两个方向上的灰度值，得到两个方向上最长和最宽的长度，即为单个枸杞植株的冠幅宽度。
株高计算模块M4，用于基于每一所述生长阶段的多波段光谱遥感整体图像和可见光遥感整体图像建立地面数字高程模型，并根据所述地面数字高程模型得到所有单个枸杞植株的株高数据；
光谱反射率数据计算模块M5，用于根据每一所述生长阶段的所述多波段光谱遥感整体图像得到光谱反射率数据；
预测模块M6，用于利用每一所述生长阶段的所有单个枸杞植株的所述冠幅宽度数据、所述株高数据和所述光谱反射率数据以及对应的所有单个枸杞植株的产量训练极限学习机，得到训练后的极限学习机；利用所述训练后的极限学习机预测枸杞植株的产量。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于深度学习的枸杞产量预测方法，其特征在于，包括：
获取枸杞不同生长阶段的多波段光谱低空遥感图像与可见光低空遥感图像；
构建用于枸杞植株检测的Mask R-CNN模型；
根据所述多波段光谱低空遥感图像和所述可见光低空遥感图像结合所述Mask R-CNN模型，得到所有单个枸杞植株的冠幅宽度数据；
基于每一所述生长阶段的多波段光谱遥感整体图像和可见光遥感整体图像建立地面数字高程模型，并根据所述地面数字高程模型得到所有单个枸杞植株的株高数据；
根据每一所述生长阶段的所述多波段光谱遥感整体图像得到光谱反射率数据；
利用每一所述生长阶段的所有单个枸杞植株的所述冠幅宽度数据、所述株高数据和所述光谱反射率数据以及对应的所有单个枸杞植株的产量训练极限学习机，得到训练后的极限学习机；
利用所述训练后的极限学习机预测枸杞植株的产量。
2.根据权利要求1所述的方法，其特征在于，所述构建用于枸杞植株检测的Mask R-CNN模型，具体包括：
对所述多波段光谱低空遥感图像与可见光低空遥感图像进行预处理，得到枸杞的多波段光谱图像集和可见光图像集；
利用标注工具分别对所述多波段光谱图像集和所述可见光图像集中的图像进行枸杞植株标注，得到枸杞植株标注结果；
将所述枸杞植株标注结果和对应的图像输入到Mask R-CNN模型，得到训练好的MaskR-CNN模型，所述训练好的Mask R-CNN模型用于枸杞植株的检测识别。
3.根据权利要求1所述的方法，其特征在于，所述根据所述多波段光谱低空遥感图像和所述可见光低空遥感图像结合所述Mask R-CNN模型，得到所有单个枸杞植株的冠幅宽度数据，具体包括：
对每一所述生长阶段的所述多波段光谱低空遥感图像和所述可见光低空遥感图像分别进行图像拼接，得到所有枸杞的多波段光谱遥感整体图像和所有枸杞的可见光遥感整体图像；
将每一所述生长阶段的所述多波段光谱遥感整体图像和所述可见光遥感整体图像分别输入到所述Mask R-CNN模型中，识别出所述多波段光谱遥感整体图像中的枸杞植株部分和所述可见光遥感整体图像中的枸杞植株部分；
根据每一所述生长阶段的所述多波段光谱遥感整体图像中的枸杞植株部分和所述可见光遥感整体图像中的枸杞植株部分得到所有单个枸杞植株的冠幅宽度数据。
4.根据权利要求3所述的方法，其特征在于，所述根据每一所述生长阶段的所述多波段光谱遥感整体图像中的枸杞植株部分和所述可见光遥感整体图像中的枸杞植株部分得到所有单个枸杞植株的冠幅宽度数据，具体包括：
将所述多波段光谱遥感整体图像中的枸杞植株部分和所述可见光遥感整体图像中的枸杞植株部分的灰度值设为1，其余部分的灰度值设为0；
对每一枸杞植株，判断xy两个方向上的灰度值，得到两个方向上最长和最宽的长度，即为单个枸杞植株的冠幅宽度数据。
5.根据权利要求1所述的方法，其特征在于，所述基于每一所述生长阶段的所述多波段光谱遥感整体图像和所述可见光遥感整体图像建立地面数字高程模型，具体包括：
对每一所述生长阶段的所述多波段光谱遥感整体图像和所述可见光遥感整体图像，利用GPS坐标采用分块内插方式建立地面数字高程模型。
6.根据权利要求1所述的方法，其特征在于，所述光谱反射率数据的计算公式为：
Figure FDA0003600566880000021
其中，DNn表示每一所述生长阶段的所述多波段光谱遥感整体图像的灰度值，n表示图像中的像素个数；DN0为图像中地面反射率校正板的平均灰度；fn为所述多波段光谱遥感整体图像的反射率数据；f0为已知的地面反射率校正板的反射率。
7.一种基于深度学习的枸杞产量预测系统，其特征在于，包括：
图像获取模块，用于获取枸杞不同生长阶段的多波段光谱低空遥感图像与可见光低空遥感图像；
模型构建模块，用于构建用于枸杞植株检测的Mask R-CNN模型；
冠幅宽度计算模块，用于根据所述多波段光谱低空遥感图像和所述可见光低空遥感图像结合所述Mask R-CNN模型，得到所有单个枸杞植株的冠幅宽度数据；
株高计算模块，用于基于每一所述生长阶段的所述多波段光谱遥感整体图像和所述可见光遥感整体图像建立地面数字高程模型，并根据所述地面数字高程模型得到所有单个枸杞植株的株高数据；
光谱反射率数据计算模块，用于根据每一所述生长阶段的所述多波段光谱遥感整体图像得到光谱反射率数据；
预测模块，用于利用每一所述生长阶段的所有单个枸杞植株的所述冠幅宽度数据、所述株高数据和所述光谱反射率数据以及对应的所有单个枸杞植株的产量训练极限学习机，得到训练后的极限学习机；利用所述训练后的极限学习机预测枸杞植株的产量。
8.根据权利要求7所述的系统，其特征在于，所述模型构建模块具体包括：
对所述多波段光谱低空遥感图像与可见光低空遥感图像进行预处理，得到枸杞的多波段光谱图像集和可见光图像集；
利用标注工件分别对所述多波段光谱图像集和所述可见光图像集中的图像进行枸杞植株标注，得到枸杞植株标注结果；
将所述枸杞植株标注结果和对应的图像输入到Mask R-CNN模型，得到训练好的MaskR-CNN模型，所述训练好的Mask R-CNN模型用于枸杞植株的检测识别。
9.根据权利要求7所述的系统，其特征在于，所述冠幅宽度计算模块具体包括：
图像拼接单元，用于对每一所述生长阶段的所述多波段光谱低空遥感图像和所述可见光低空遥感图像分别进行图像拼接，得到所有枸杞的多波段光谱遥感整体图像和所有枸杞的可见光遥感整体图像；
植株识别单元，用于将每一所述生长阶段的所述多波段光谱遥感整体图像和所述可见光遥感整体图像分别输入到所述Mask R-CNN模型中，识别出所述多波段光谱遥感整体图像中的枸杞植株部分和所述可见光遥感整体图像中的枸杞植株部分；
冠幅宽度计算单元，用于根据每一所述生长阶段的所述多波段光谱遥感整体图像中的枸杞植株部分和所述可见光遥感整体图像中的枸杞植株部分得到所有单个枸杞植株的冠幅宽度数据。
10.根据权利要求9所述的系统，其特征在于，所述冠幅宽度计算单元具体包括：
将所述多波段光谱遥感整体图像中的枸杞植株部分和所述可见光遥感整体图像中的枸杞植株部分的灰度值设为1，其余部分的灰度值设为0；
对每一枸杞植株，判断xy两个方向上的灰度值，得到两个方向上最长和最宽的长度，即为单个枸杞植株的冠幅宽度。
CN202210402428.3A 2022-04-18 2022-04-18 一种基于深度学习的枸杞产量预测方法及系统 Pending CN114692991A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210402428.3A CN114692991A (zh) 2022-04-18 2022-04-18 一种基于深度学习的枸杞产量预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210402428.3A CN114692991A (zh) 2022-04-18 2022-04-18 一种基于深度学习的枸杞产量预测方法及系统

Publications (1)

Publication Number Publication Date
CN114692991A true CN114692991A (zh) 2022-07-01

Family

ID=82143349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210402428.3A Pending CN114692991A (zh) 2022-04-18 2022-04-18 一种基于深度学习的枸杞产量预测方法及系统

Country Status (1)

Country Link
CN (1) CN114692991A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563706A (zh) * 2023-05-08 2023-08-08 哈尔滨工业大学 一种针对多光谱图像反射率多特征的作物产量估计方法
CN116757867A (zh) * 2023-08-18 2023-09-15 山东征途信息科技股份有限公司 一种基于多源数据融合的数字乡村构建方法及系统
CN116563706B (zh) * 2023-05-08 2024-05-17 哈尔滨工业大学 一种针对多光谱图像反射率多特征的作物产量估计方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563706A (zh) * 2023-05-08 2023-08-08 哈尔滨工业大学 一种针对多光谱图像反射率多特征的作物产量估计方法
CN116563706B (zh) * 2023-05-08 2024-05-17 哈尔滨工业大学 一种针对多光谱图像反射率多特征的作物产量估计方法
CN116757867A (zh) * 2023-08-18 2023-09-15 山东征途信息科技股份有限公司 一种基于多源数据融合的数字乡村构建方法及系统
CN116757867B (zh) * 2023-08-18 2023-11-03 山东征途信息科技股份有限公司 一种基于多源数据融合的数字乡村构建方法及系统

Similar Documents

Publication Publication Date Title
CN111553245A (zh) 基于机器学习算法和多源遥感数据融合的植被分类方法
CN111815014A (zh) 一种基于无人机低空遥感信息的作物产量预测方法及系统
CN110288033B (zh) 一种基于卷积神经网络的甘蔗蔗节特征识别与定位方法
CN109784205B (zh) 一种基于多光谱巡检图像的杂草智能识别方法
Ye et al. An image-based approach for automatic detecting tasseling stage of maize using spatio-temporal saliency
CN110969654A (zh) 基于收割机的玉米高通量表型测量的方法及装置、收割机
CN108898070A (zh) 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法
CN114692991A (zh) 一种基于深度学习的枸杞产量预测方法及系统
CN117409339A (zh) 一种用于空地协同的无人机作物状态视觉识别方法
CN111833435A (zh) 无人机近地遥感成熟作物密度高通量测量方法
CN111339953B (zh) 一种基于聚类分析的薇甘菊监测方法
CN113516177A (zh) 基于光谱纹理特征和支持向量机的小麦倒伏区域识别方法
CN109446965B (zh) 一种基于无人机数据的烟田自动识别方法
CN113537108B (zh) 一种基于无人机高光谱遥感的农作物叶绿素含量反演方法
CN112991425B (zh) 一种水域水位提取方法、系统及存储介质
CN115358991A (zh) 一种秧苗的漏秧数量和漏秧位置的识别方法及系统
CN110070513A (zh) 遥感影像的辐射校正方法及系统
CN114266975A (zh) 无人机遥感图像的荔枝果实检测与计数方法
CN113554675A (zh) 一种基于无人机可见光遥感的食用菌产量估算方法
CN117274359B (zh) 一种作物群体的株高测算方法和系统
CN111339954B (zh) 一种基于图像识别的薇甘菊监测方法
Deng et al. A paddy field segmentation method combining attention mechanism and adaptive feature fusion
CN117788351B (zh) 一种农业遥感图像校正方法及系统
CN116740592B (zh) 一种基于无人机图像的小麦估产方法与装置
AU2021102735A4 (en) Cotton aphid stress monitoring method and system based on high-throughput plant phenotyping platform and deep learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination